Observei um de nossos engenheiros explicar o mesmo padrão de autenticação a Claude Code pela quarta vez no mês passado. Não porque ele esqueceu que havia explicado. Porque a ferramenta esqueceu.
Cada sessão, do zero. “Usamos a validação JWT na camada de gateway, não em serviços individuais.” Ele disse isso há três dias. E na semana anterior. E todas as vezes ele iniciou uma nova sessão nos últimos seis meses. A cada vez, a IA acenou com a cabeça, seguiu as instruções perfeitamente e esqueceu tudo no momento em que a sessão terminou.
Fiquei pensando nisso, porque parecia o tipo de problema que já deveria estar resolvido. Estamos em 2026. Esses modelos são genuinamente capazes. Eles podem raciocinar sobre bases de código complexas, depurar condições de corrida sutis, escrever testes sólidos. E ainda assim eles operam com o que só posso descrever como amnésia agressiva – uma incapacidade patológica de reter qualquer coisa após a sessão atual.
A desculpa do preenchimento automático
Isso fazia sentido quando as ferramentas de codificação de IA eram mecanismos de preenchimento automático. O Copilot por volta de 2022 estava completando linhas únicas de código. O contexto period um arquivo. Por que precisaria de memória? Você digita, ele sugere, você tabula. A memória da sessão é irrelevante.
Mas não é mais isso que essas ferramentas fazem. Pedimos a eles que criem recursos em vários arquivos. Depure problemas de produção que exigem compreensão da arquitetura do sistema. Integre novos engenheiros a bases de código desconhecidas. Execute de forma autônoma em problemas do GitHub. E todas as vezes eles começam do zero.
Sempre volto a esta analogia: think about contratar um empreiteiro brilhante que aparece todas as manhãs com amnésia whole. Eles podem codificar. Eles são rápidos. Mas todos os dias você passa a primeira hora explicando o projeto, as convenções da equipe, as decisões que já tomou, os erros com os quais já aprendeu. E na manhã seguinte? A mesma coisa.
Essa é a experiência agora. Para cada equipe. Com todas as ferramentas.
As coisas que nunca entram no código
Aqui está o que mais me incomoda. As coisas que a IA continua esquecendo não estão no código. São as coisas que vivem nas entrelinhas:
Por que escolhemos o Postgres em vez do DynamoDB. (Desempenho para nossos padrões de consulta, mas também porque a equipe tem profundo conhecimento em Postgres e nenhuma experiência em DynamoDB.)
Por que o serviço de notificação é um módulo monolítico e não um microsserviço. (Tentamos microsserviços. Foi um desastre. Revertemos no terceiro trimestre e ninguém documentou o porquê.)
Que o pipeline de faturamento tem um caso extremo conhecido em que os eventos são descartados silenciosamente sob alta carga. (Dois engenheiros sabem disso. Um deles acabou de avisar.)
Nada disso está em um arquivo que a IA possa verificar. Parte disso estava em um tópico do Slack de oito meses atrás. A maior parte está na cabeça das pessoas. E é exatamente o tipo de contexto que determina se o resultado da IA está correto ou sutilmente e perigosamente errado.
“Basta colocá-lo em um arquivo de configuração”
Eu sei o que você está pensando, porque eu também pensei. CLAUDE.md. .cursorrules. Solicitações do sistema. Basta escrever tudo em um arquivo e apontar a IA para ele.
Nós tentamos. Todo mundo tenta. E funciona – por cerca de três semanas, até que o arquivo fique obsoleto e ninguém o atualize, porque atualizar um arquivo de configuração é um trabalho de manutenção que não inclui recursos. A pessoa que escreveu o arquivo unique passou para outras coisas. Novas decisões são tomadas em conversas que nunca chegam ao arquivo. O arquivo se torna um artefato histórico que corresponde aproximadamente ao que a equipe acreditava em algum momento do passado.
É o problema do wiki novamente. Alguém o cria com boas intenções. Começa a decair imediatamente. Dentro de seis meses, os desenvolvedores desconfiam ativamente dele porque foram prejudicados por seguir informações desatualizadas.
“Basta usar uma janela de contexto maior”
A outra resposta standard. 200 mil tokens não foram suficientes, então agora temos 1 milhão. Basta colocar tudo dentro.
Passei muito tempo pensando sobre isso e acho que isso basicamente não entende o problema. Uma janela de contexto maior oferece mais espaço para a sessão atual. Não lhe dá memória. Não explica por que a equipe tomou uma decisão arquitetônica específica no último trimestre. Ele não sabe sobre o incidente de produção que moldou a forma como a equipe pensa sobre o tratamento de erros. Ele não sabe que Sarah é a única pessoa que entende o processo de reconciliação.
Uma janela maior é um bloco de rascunho maior. O bloco de notas ainda é apagado quando a sessão termina. Você não resolveu a amnésia – você deu ao amnésico um caderno maior que também queima todas as noites.
“Basta adicionar mais agentes”
Este é mais recente e é o que me pega. A resposta para “a IA não sabe o suficiente” é aparentemente “adicionar mais IAs que também não sabem o suficiente, mas dar a cada uma uma tarefa mais restrita”.
Um agente de revisão. Um agente de testes. Um agente de implantação. Quinze agentes especializados, cada um com instruções codificadas para uma tarefa. Alguém da equipe escreveu essas instruções. Alguém tem que mantê-los. Quando os padrões de revisão mudam, alguém atualiza o agente de revisão. Quando a estrutura de teste muda, alguém atualiza o agente de teste. É o problema do arquivo de configuração em um nível mais alto de abstração, com mais partes móveis.
E você sabe o que nenhum desses agentes sabe? Qualquer coisa sobre sua organização. Eles sabem o que alguém codificou em suas instruções. Eles não sabem o que a equipe aprendeu na semana passada.
A pergunta que continua me incomodando
Aqui está o que eu sempre volto: e se a IA simplesmente… se lembrasse?
Não a transcrição bruta da conversa. Isso é barulho. Mas o conhecimento actual – as decisões, os padrões, os erros, as convenções – extraído de conversas e disponível em sessões futuras. Não apenas para o engenheiro que conversou, mas para toda a equipe.
Um engenheiro explica por que usamos o fornecimento de eventos para o sistema de auditoria. Essa explicação se torna um merchandise de conhecimento estruturado — disponível para todos os outros engenheiros, em todas as sessões futuras, sem que ninguém mantenha um arquivo.
Alguém descobre um acoplamento sutil entre dois serviços durante a depuração. Essa descoberta é capturada. Da próxima vez que alguém tocar em qualquer um dos serviços, a IA já saberá sobre o acoplamento. Não porque alguém se lembrou de documentá-lo, mas porque o sistema estava atento quando o conhecimento foi criado.
A IA que ajudou você a depurar um problema de cobrança na terça-feira inicia sua sessão de quinta-feira já sabendo o que você descobriu. O novo engenheiro que ingressará no próximo mês terá uma IA que sabe tudo o que a equipe aprendeu no ano passado – desde o primeiro dia.
Penso muito nisso porque muda fundamentalmente o que a ferramenta é. Deixa de ser um auxiliar de codificação e passa a ser memória organizacional. Não é um wiki que alguém exact manter. Uma base de conhecimento viva que cresce porque as pessoas usam a ferramenta.
Para onde isso vai
O mercado de ferramentas de codificação de IA está prestes a se dividir. De um lado: ferramentas que ajudam engenheiros individuais a escrever código com mais rapidez. Isso é comoditização. Os modelos ficam mais baratos a cada trimestre. As embalagens ficam mais finas. Não há vantagem durável.
Do outro lado: ferramentas que disponibilizam a inteligência coletiva de uma organização para todos os engenheiros, em todas as sessões, permanentemente. Estes ainda não existem. Na verdade. Não de uma forma que realmente funcione.
Passei o último ano pensando em como seria a segunda categoria. Como você o constrói. O que a arquitetura precisa ser. Onde as suposições da indústria estão erradas.
Tudo começou a partir desta observação: sua ferramenta de IA está com amnésia e ninguém parece pensar que vale a pena resolver esse problema.
Acho que é o único problema que vale a pena resolver.